در این مطلب، ویدئو Lec 1، مقدمه ای بر تجزیه و تحلیل داده ها با زیرنویس فارسی را برای دانلود قرار داده ام. شما میتوانید با پرداخت 15 هزار تومان ، این ویدیو به علاوه تمامی فیلم های سایت را دانلود کنید.اکثر فیلم های سایت به زبان انگلیسی می باشند. این ویدئو دارای زیرنویس فارسی ترجمه شده توسط هوش مصنوعی می باشد که میتوانید نمونه ای از آن را در قسمت پایانی این مطلب مشاهده کنید.
مدت زمان فیلم: 00:34:44
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,070 –> 00:00:03,100
[موسیقی]
2
00:00:09,570 –> 00:00:13,130
[موسیقی]
3
00:00:13,130 –> 00:00:13,900
[تشویق]
4
00:00:13,900 –> 00:00:18,950
[موسیقی]
5
00:00:18,950 –> 00:00:19,370
[تشویق]
6
00:00:19,370 –> 00:00:23,760
[موسیقی] به
7
00:00:24,310 –> 00:00:27,169
دانشجویان خوش آمد می گوید این دوره در مورد
8
00:00:27,169 –> 00:00:29,599
تجزیه و تحلیل داده ها با پایتون امروز
9
00:00:29,599 –> 00:00:32,509
کلاس مقدماتی است که این سخنرانی در
10
00:00:32,509 –> 00:00:34,820
مقدمه ای بر تجزیه و تحلیل داده ها است و
11
00:00:34,820 –> 00:00:36,710
هدف این دوره
12
00:00:36,710 –> 00:00:39,290
معرفی درک مفهومی با استفاده از
13
00:00:39,290 –> 00:00:41,510
مثالهای ساده و کاربردی به
14
00:00:41,510 –> 00:00:43,699
جای ذهنیتهای تکراری و نقطهای
15
00:00:43,699 –> 00:00:46,100
در اینجا اکثر دانشآموزان
16
00:00:46,100 –> 00:00:48,649
عموماً از این
17
00:00:48,649 –> 00:00:51,290
نرمافزار برای انجام تجزیه و تحلیل دادهها استفاده میکنند،
18
00:00:51,290 –> 00:00:53,629
فقط امروز میخواهند روی آن کلیک کنند و
19
00:00:53,629 –> 00:00:55,610
میخواهند به نتیجهای برسند. اگر نمیخواهید
20
00:00:55,610 –> 00:00:56,989
دقیقاً در مورد آنچه در داخل نرمافزار اتفاق میافتد زحمت بکشید
21
00:00:56,989 –> 00:01:00,890
، این دوره باید
22
00:01:00,890 –> 00:01:03,229
شما را با استفاده از تجزیه و تحلیل در
23
00:01:03,229 –> 00:01:05,509
زندگی حرفهای و زندگی او راحت کند، شما میدانید که
24
00:01:05,509 –> 00:01:08,090
چگونه با دادههای واقعی کار کنید و
25
00:01:08,090 –> 00:01:09,500
ممکن است روشهای مختلف زیادی را یاد گرفته باشید،
26
00:01:09,500 –> 00:01:11,090
اما انتخاب روش مناسب
27
00:01:11,090 –> 00:01:13,310
است. مهم است که این دوره
28
00:01:13,310 –> 00:01:15,500
به شما کمک خواهد کرد که چگونه
29
00:01:15,500 –> 00:01:18,340
ابزارهای تجزیه و تحلیل داده های مناسب را انتخاب کنید
30
00:01:18,340 –> 00:01:21,619
وقتی به این تصویر نگاه می کنید
31
00:01:21,619 –> 00:01:23,360
این شخص چگونه است. این ابزار را بخوان نردبانی وجود دارد که
32
00:01:23,360 –> 00:01:26,000
او به درستی نمی دانست
33
00:01:26,000 –> 00:01:28,280
چگونه از این نردبان برای
34
00:01:28,280 –> 00:01:30,920
هدفی که در نظر گرفته شده است استفاده کند، بنابراین خطر
35
00:01:30,920 –> 00:01:32,840
استفاده از روش کمی به
36
00:01:32,840 –> 00:01:34,640
طور کلی در ناتوانی در
37
00:01:34,640 –> 00:01:37,130
انجام محاسبات به دلیل
38
00:01:37,130 –> 00:01:38,780
توسعه رایانه در رایانه نیست.
39
00:01:38,780 –> 00:01:40,880
فناوری بستههای
40
00:01:40,880 –> 00:01:43,399
زیادی برای انجام تجزیه و تحلیل دادهها در دسترس است،
41
00:01:43,399 –> 00:01:45,530
اما تهدید واقعی عدم
42
00:01:45,530 –> 00:01:48,380
درک اساسی از چرایی استفاده از
43
00:01:48,380 –> 00:01:51,079
تکنیک یا رویههای خاص و نحوه
44
00:01:51,079 –> 00:01:52,939
استفاده صحیح از آن و نحوه
45
00:01:52,939 –> 00:01:54,859
تفسیر صحیح نتیجه است. این دوره
46
00:01:54,859 –> 00:01:56,869
بر چگونگی انتخاب
47
00:01:56,869 –> 00:01:58,729
تکنیک صحیح و نحوه استفاده صحیح از آن
48
00:01:58,729 –> 00:02:03,020
و نحوه تفسیر نتیجه به این صورت
49
00:02:03,020 –> 00:02:05,240
که هدف یادگیری این کلاس چه
50
00:02:05,240 –> 00:02:07,939
بوده است که پس از اتمام این سخنرانی
51
00:02:07,939 –> 00:02:09,889
چه چیزی را یاد خواهید
52
00:02:09,889 –> 00:02:12,800
گرفت این است که می توانید داده ها و
53
00:02:12,800 –> 00:02:15,380
اهمیت آن را تعریف کنید.
54
00:02:15,380 –> 00:02:19,209
تجزیه و تحلیل و انواع شما می توانید توضیح دهید
55
00:02:19,209 –> 00:02:21,890
که چرا تجزیه و تحلیل در محیط کسب و کار امروز
56
00:02:21,890 –> 00:02:24,590
بسیار مهم است، سپس ما می توانیم
57
00:02:24,590 –> 00:02:26,750
ببینیم که چقدر هنری است تجزیه و تحلیل و
58
00:02:26,750 –> 00:02:28,730
علم داده به هم مرتبط هستند، به نظر می
59
00:02:28,730 –> 00:02:30,950
رسد در این مورد همپوشانی وجود دارد، ما توضیح خواهیم داد
60
00:02:30,950 –> 00:02:33,320
که چه تفاوتی وجود دارد که چگونه اینها
61
00:02:33,320 –> 00:02:34,790
با هم همپوشانی دارند چگونه اینها به هم مرتبط هستند
62
00:02:34,790 –> 00:02:36,410
63
00:02:36,410 –> 00:02:38,330
64
00:02:38,330 –> 00:02:40,940
65
00:02:40,940 –> 00:02:43,340
. مهم استفاده
66
00:02:43,340 –> 00:02:46,070
از پایتون در این دوره در پایان
67
00:02:46,070 –> 00:02:48,320
این جلسه چهار سطح مهم داده را توضیح خواهیم داد
68
00:02:48,320 –> 00:02:50,690
که
69
00:02:50,690 –> 00:02:53,540
فاصله و نسبت اسمی است و اکنون
70
00:02:53,540 –> 00:02:57,110
به سراغ محتوایی میرویم که دادهها را تعریف میکنیم
71
00:02:57,110 –> 00:03:00,440
و اهمیت آنها سه عبارت
72
00:03:00,440 –> 00:03:03,620
یک متغیر است. اندازهگیری و دادهها در مرحله بعد
73
00:03:03,620 –> 00:03:06,400
خواهیم دید چه چیزی این همه داده تولید میکند،
74
00:03:06,400 –> 00:03:09,230
خواهیم دید که چگونه دادهها
75
00:03:09,230 –> 00:03:11,840
به کسب و کار ارزش میافزایند، سپس میگوییم چرا
76
00:03:11,840 –> 00:03:14,660
دادهها مهم هستند، متغیرها را ببینید
77
00:03:14,660 –> 00:03:18,110
دادههای اندازهگیری این اصطلاحاتی است
78
00:03:18,110 –> 00:03:20,060
که ما اغلب در این مورد استفاده میکنیم.
79
00:03:20,060 –> 00:03:22,810
بنابراین آنچه که یک متغیر
80
00:03:22,810 –> 00:03:25,130
متغیر است، ویژگی های هر
81
00:03:25,130 –> 00:03:28,340
موجودی است که مورد مطالعه قرار می گیرد که قادر
82
00:03:28,340 –> 00:03:31,490
به گرفتن مقادیر مختلف است،
83
00:03:31,490 –> 00:03:33,830
مثلاً X متغیری است که می تواند انجام دهد. و
84
00:03:33,830 –> 00:03:37,700
هر مقداری که ممکن است 1 باشد، ممکن است 2 باشد یا
85
00:03:37,700 –> 00:03:40,880
ممکن است 0 باشد و به همین ترتیب اندازه گیری
86
00:03:40,880 –> 00:03:44,180
زمانی است که شما فرآیندهای استانداردی که برای
87
00:03:44,180 –> 00:03:45,680
اختصاص اعداد به
88
00:03:45,680 –> 00:03:47,180
ویژگی های خاص یا ویژگی های
89
00:03:47,180 –> 00:03:50,300
متغیر خود استفاده می کنید، اندازه گیری 430ex نامیده می شود که
90
00:03:50,300 –> 00:03:54,380
می خواهید مقادیری را جایگزین کنید.
91
00:03:54,380 –> 00:03:56,540
که مقادیر را باید برای اندازه گیری
92
00:03:56,540 –> 00:03:58,760
ویژگی های متغیری که
93
00:03:58,760 –> 00:04:01,970
چیزی جز اندازه گیری شما نیست، اندازه گیری کنید، پس داده های
94
00:04:01,970 –> 00:04:04,310
چه چیزی هستند اندازه گیری ثبت می شوند،
95
00:04:04,310 –> 00:04:07,940
بنابراین یک متغیر وجود دارد که شما
96
00:04:07,940 –> 00:04:11,390
پدیده ها را اندازه گیری می کنید، پس از اندازه
97
00:04:11,390 –> 00:04:14,209
گیری پدیده ها مقداری را جایگزین
98
00:04:14,209 –> 00:04:17,180
متغیر می کنید. که
99
00:04:17,180 –> 00:04:19,130
متغیر مقدار خاصی را می گیرد
100
00:04:19,130 –> 00:04:22,670
که مقدار چیزی جز داده های شما نیست، بنابراین
101
00:04:22,670 –> 00:04:26,030
X متغیری است برای مثال شماره
102
00:04:26,030 –> 00:04:28,430
5 داده ای است که چگونه آن 5 را اندازه گیری می کنید
103
00:04:28,430 –> 00:04:31,670
که اندازه گیری نامیده می شود سپس آنچه که
104
00:04:31,670 –> 00:04:34,490
داده های زیادی تولید می کند می تواند
105
00:04:34,490 –> 00:04:36,710
تولید شود. روش های مختلف انسان ماشین ها
106
00:04:36,710 –> 00:04:40,070
ماموریت انسانی C ترکیبی از
107
00:04:40,070 –> 00:04:41,810
ماشین های انسان ها یک انسان است که در ترکیبی از
108
00:04:41,810 –> 00:04:44,630
معنایی که اکنون دیده می شود همه دارای
109
00:04:44,630 –> 00:04:47,810
F های مختلف هستند. حساب acebook
110
00:04:47,810 –> 00:04:50,009
ما حساب LinkedIn داریم که در سایتهای مختلف شبکههای اجتماعی در آن حضور داریم، در
111
00:04:50,009 –> 00:04:53,339
112
00:04:53,339 –> 00:04:55,559
دسترس بودن
113
00:04:55,559 –> 00:04:59,069
دادهها مشکلی نیست.
114
00:04:59,069 –> 00:05:01,619
115
00:05:01,619 –> 00:05:04,050
116
00:05:04,050 –> 00:05:09,059
117
00:05:09,059 –> 00:05:11,599
به کسب و کار بنابراین داده ها
118
00:05:11,599 –> 00:05:14,059
پس از دریافت از منابع مختلف
119
00:05:14,059 –> 00:05:16,710
فرض کنید که یک فروشگاه به شکل
120
00:05:16,710 –> 00:05:19,979
داده های فلش است بنابراین از داده های
121
00:05:19,979 –> 00:05:22,589
فلش می توان از داده ها برای
122
00:05:22,589 –> 00:05:25,229
توسعه یک محصول داده استفاده کرد در اینجا
123
00:05:25,229 –> 00:05:27,449
ما از کلمه محصول داده استفاده می کنیم.
124
00:05:27,449 –> 00:05:28,680
و اسلایدهای بعدی من دقیقاً توضیح خواهم داد
125
00:05:28,680 –> 00:05:31,309
که محصول داده چیست برخی از نمونه ها،
126
00:05:31,309 –> 00:05:33,990
بنابراین اگر به سمت راست نگاه کنیم همان داده ها را توضیح خواهم داد
127
00:05:33,990 –> 00:05:36,509
که می توان از آنها برای دریافت اطلاعات بیشتر
128
00:05:36,509 –> 00:05:39,899
از داده ها
129
00:05:39,899 –> 00:05:41,399
130
00:05:41,399 –> 00:05:43,409
استفاده کرد. در
131
00:05:43,409 –> 00:05:46,979
بازاریابی تولید و فروش مثال برخی از
132
00:05:46,979 –> 00:05:48,539
محصولات داده برای مثال موتور توصیه،
133
00:05:48,539 –> 00:05:51,059
چه مثالی
134
00:05:51,059 –> 00:05:53,009
برای محصول داده نیست، فرض کنید اگر به سراغ
135
00:05:53,009 –> 00:05:55,289
Flipkart بروید یا آمازون اگر برای خرید یک
136
00:05:55,289 –> 00:05:57,419
محصول خاص که
137
00:05:57,419 –> 00:05:59,249
خود آن نرم افزار را بسته است، به شما توصیه می
138
00:05:59,249 –> 00:06:01,680
کنیم محصول بعدی ممکن
139
00:06:01,680 –> 00:06:03,990
است که می توانید بخرید که چیزی
140
00:06:03,990 –> 00:06:06,059
جز موتور توصیه نیست، حتی اگر
141
00:06:06,059 –> 00:06:07,889
چند ویدیوی یوتیوب را در
142
00:06:07,889 –> 00:06:10,229
مورد موضوع خاصی تماشا کنید که خود یوتیوب انجام
143
00:06:10,229 –> 00:06:11,430
خواهد داد. به شما پیشنهاد می دهد که
144
00:06:11,430 –> 00:06:14,189
ویدیوهای مربوطه در دسترس هستند به طوری که
145
00:06:14,189 –> 00:06:16,019
یک موتور توصیه است که
146
00:06:16,019 –> 00:06:17,639
یکی از نمونه های دقیق
147
00:06:17,639 –> 00:06:20,669
محصول داده شما با کمک داده است تا
148
00:06:20,669 –> 00:06:22,529
به شما کمک کند تا برای من یک
149
00:06:22,529 –> 00:06:24,569
محصول داده یا می توانید دریافت کنید بینشی
150
00:06:24,569 –> 00:06:26,490
از دادههایی که ارزش کسبوکار شما
151
00:06:26,490 –> 00:06:29,519
را به شما اضافه میکند، ببینید این نمونهای از
152
00:06:29,519 –> 00:06:31,169
محصولات دادههای شما است.
153
00:06:31,169 –> 00:06:34,469
154
00:06:34,469 –> 00:06:36,689
155
00:06:36,689 –> 00:06:38,819
156
00:06:38,819 –> 00:06:41,219
اتومبیل ها
157
00:06:41,219 –> 00:06:43,289
مثال بعدی برای
158
00:06:43,289 –> 00:06:45,779
موتور توصیه است همانطور که قبلاً به شما گفتم هنگام
159
00:06:45,779 –> 00:06:47,849
خرید هر محصولی به شما پیشنهاد می دهند
160
00:06:47,849 –> 00:06:50,099
که در کنار این محصول محصول دیگر
161
00:06:50,099 –> 00:06:52,740
نیز ج یکی دیگر از
162
00:06:52,740 –> 00:06:55,169
نمونههای بسیار رایج برای یک محصول
163
00:06:55,169 –> 00:06:58,249
داده، گوگل است، گوگل
164
00:06:58,249 –> 00:06:59,879
برنامههای زیادی دارد، یکی از
165
00:06:59,879 –> 00:07:02,310
کاربردهای مثال برای محصول
166
00:07:02,310 –> 00:07:03,170
داده، گوگل است،
167
00:07:03,170 –> 00:07:05,450
بنابراین نقشهبرداری گوگل به شما کمک میکند تا
168
00:07:05,450 –> 00:07:08,150
بفهمید مسیر درست کدام
169
00:07:08,150 –> 00:07:10,700
جاده است. ترافیکی که در آن جاده ای
170
00:07:10,700 –> 00:07:13,370
باجه عوارضی وجود دارد، بنابراین
171
00:07:13,370 –> 00:07:14,960
ما می توانیم این نوع اطلاعات را از نقشه گوگل دریافت کنیم،
172
00:07:14,960 –> 00:07:17,540
بنابراین این نقشه گوگل یکی
173
00:07:17,540 –> 00:07:21,190
از نمونه هایی از تولید داده های شما است
174
00:07:21,190 –> 00:07:27,380
که اکنون چرا داده ها مهم هستند داده ها
175
00:07:27,380 –> 00:07:30,830
به تصمیم گیری بهتر داده ها کمک می کنند.
176
00:07:30,830 –> 00:07:33,790
با یافتن دلیل
177
00:07:33,790 –> 00:07:37,070
عملکرد ضعیف به حل مشکل کمک می کند، فرض کنید برخی از شرکت ها
178
00:07:37,070 –> 00:07:39,470
با جمع آوری داده ها به درستی عمل نمی کند
179
00:07:39,470 –> 00:07:41,360
، ما می توانیم تشخیص دهیم که
180
00:07:41,360 –> 00:07:43,820
دلیل این
181
00:07:43,820 –> 00:07:46,310
182
00:07:46,310 –> 00:07:49,280
کاهش عملکرد چه بوده است.
183
00:07:49,280 –> 00:07:52,190
همچنین داده ها می توانند
184
00:07:52,190 –> 00:07:54,200
برای محک زدن عملکرد
185
00:07:54,200 –> 00:07:57,590
سازمان تجاری شما مورد استفاده قرار گیرند و پس از
186
00:07:57,590 –> 00:08:00,680
محک زدن داده ها به
187
00:08:00,680 –> 00:08:04,010
بهبود عملکرد نیز کمک می کند. آتا همچنین می
188
00:08:04,010 –> 00:08:06,140
تواند به درک مصرف کنندگان و
189
00:08:06,140 –> 00:08:08,030
بازارها به خصوص زمینه بازاریابی کمک کند.
190
00:08:08,030 –> 00:08:10,190
شما می توانید درک کنید که مصرف کنندگان مناسب چه کسانی هستند
191
00:08:10,190 –> 00:08:13,930
و چه نوع ترجیحاتی
192
00:08:13,930 –> 00:08:17,390
در بازار دارند، در ادامه
193
00:08:17,390 –> 00:08:19,210
به تعریف تجزیه و تحلیل داده ها و
194
00:08:19,210 –> 00:08:23,300
انواع آن خواهیم پرداخت. با آمدن به سه
195
00:08:23,300 –> 00:08:24,890
سخنرانی دو سه اسلایدی که قرار است در
196
00:08:24,890 –> 00:08:27,020
مورد آن بحث کنیم، تجزیه و تحلیل داده ها را تعریف می کنیم،
197
00:08:27,020 –> 00:08:29,990
سپس می گویید چرا تجزیه و تحلیل
198
00:08:29,990 –> 00:08:32,690
مهم است، سپس می بینیم که تجزیه و تحلیل داده ها،
199
00:08:32,690 –> 00:08:34,970
سپس می بینیم که
200
00:08:34,970 –> 00:08:36,559
تجزیه و تحلیل داده ها
201
00:08:36,559 –> 00:08:39,080
با تجزیه و تحلیل داده ها در پایان تفاوت دارند. مشاهده انواع
202
00:08:39,080 –> 00:08:41,210
تجزیه و تحلیل داده ها تعریف خواهد شد تجزیه و تحلیل داده
203
00:08:41,210 –> 00:08:44,000
ها فرآیند علمی
204
00:08:44,000 –> 00:08:47,030
تبدیل داده ها به بینش برای
205
00:08:47,030 –> 00:08:50,450
تصمیم گیری بهتر است ببینید این یک
206
00:08:50,450 –> 00:08:54,110
فرآیند علمی برای تبدیل
207
00:08:54,110 –> 00:08:56,230
داده ها به تصمیم گیری بهتر است
208
00:08:56,230 –> 00:08:59,360
حتی بدون داده ها همچنین حتی بدون
209
00:08:59,360 –> 00:09:00,980
انجام تجزیه و تحلیل نیز می توانید انجام دهید.
210
00:09:00,980 –> 00:09:04,040
شما نمی توانید
211
00:09:04,040 –> 00:09:05,810
بدون تجزیه و تحلیل تصمیم بهتری بگیرید،
212
00:09:05,810 –> 00:09:07,730
زیرا شما در درون خود تجربه
213
00:09:07,730 –> 00:09:09,680
خواهید کرد شما می توانید تصمیماتی بگیرید
214
00:09:09,680 –> 00:09:11,840
که گاهی اوقات ممکن است درست باشد، اما
215
00:09:11,840 –> 00:09:13,520
در مورد کمک به داده ها اگر تصمیم می
216
00:09:13,520 –> 00:09:16,430
217
00:09:16,430 –> 00:09:20,110
گیرید، این به شما امکان می دهد تصمیمات بهتری بگیرید،
218
00:09:20,110 –> 00:09:23,360
پروفسور جیمز دیگری حتی او
219
00:09:23,360 –> 00:09:26,680
تحلیل داده ها را به این صورت تعریف
220
00:09:26,680 –> 00:09:29,660
کرده است. استفاده از روشهای کمی
221
00:09:29,660 –> 00:09:31,520
تحلیل آماری فناوری اطلاعات دادهها
222
00:09:31,520 –> 00:09:33,800
و مدلهای ریاضی یا
223
00:09:33,800 –> 00:09:37,150
مبتنی بر رایانه برای کمک به مدیران برای
224
00:09:37,150 –> 00:09:39,740
کسب بینش بهتر در مورد
225
00:09:39,740 –> 00:09:42,670
عملیات تجاری خود و
226
00:09:42,670 –> 00:09:45,830
تصمیمگیری بهتر مبتنی بر واقعیت.
227
00:09:45,830 –> 00:09:47,270
228
00:09:47,270 –> 00:09:50,240
229
00:09:50,240 –> 00:09:52,580
یکی تجزیه و تحلیل آماری است، دیگری
230
00:09:52,580 –> 00:09:55,160
روش های کمی دانش ریاضی و
231
00:09:55,160 –> 00:09:58,130
مدل های مبتنی بر کامپیوتر است، بنابراین وقتی می
232
00:09:58,130 –> 00:10:00,500
بینیم که چگونه اینها در آینده به هم مرتبط هستند،
233
00:10:00,500 –> 00:10:03,950
اسلایدهای بعدی را به طور کلی در بین
234
00:10:03,950 –> 00:10:07,250
دانش آموزان ابهام می کنیم که آیا
235
00:10:07,250 –> 00:10:10,700
تجزیه و تحلیل و تجزیه و تحلیل یکسان است یا
236
00:10:10,700 –> 00:10:12,190
متفاوت.
237
00:10:12,190 –> 00:10:15,800
چرا تجزیه و تحلیل مهم است
238
00:10:15,800 –> 00:10:18,830
فرصت فراوان برای استفاده از
239
00:10:18,830 –> 00:10:21,440
تجزیه و تحلیل و داده های بزرگ مانند f یا
240
00:10:21,440 –> 00:10:23,960
تعیین ریسک اعتباری برای
241
00:10:23,960 –> 00:10:25,970
توسعه داروهای جدید به ویژه در
242
00:10:25,970 –> 00:10:28,130
مراقبت های بهداشتی، تجزیه و تحلیل مراقبت های بهداشتی در
243
00:10:28,130 –> 00:10:30,050
حال ظهور است که به شما کمک می کند تا
244
00:10:30,050 –> 00:10:33,310
داروهای صحیح را
245
00:10:33,310 –> 00:10:35,900
شناسایی کنید و راه های کارآمدتری برای ارائه
246
00:10:35,900 –> 00:10:38,840
محصول و خدمات پیدا کنید و به عنوان مثال در
247
00:10:38,840 –> 00:10:41,090
زمینه بانکی از تجزیه و تحلیل داده ها
248
00:10:41,090 –> 00:10:44,420
برای استفاده استفاده می شود. جلوگیری از کلاهبرداری و
249
00:10:44,420 –> 00:10:47,150
کشف تهدیدات سایبری به کمک
250
00:10:47,150 –> 00:10:49,310
تجزیه و تحلیل داده ها شما می توانید
251
00:10:49,310 –> 00:10:51,650
جرایم سایبری احتمالی را بیابید و ما می
252
00:10:51,650 –> 00:10:55,760
توانیم آن را کشف کنیم، می توانیم از آن جلوگیری کنیم و تجزیه و تحلیل داده
253
00:10:55,760 –> 00:10:57,710
ها نیز برای حفظ
254
00:10:57,710 –> 00:11:00,080
با ارزش ترین مشتریان مهم است که می توانیم شناسایی کنیم
255
00:11:00,080 –> 00:11:03,320
که شما چه کسی هستند. مشتری با ارزش یا مشتریان غیر
256
00:11:03,320 –> 00:11:05,720
با ارزش، بنابراین ما می توانیم
257
00:11:05,720 –> 00:11:09,790
بیشتر روی مشتریان ارزشمند خود تمرکز کنیم، خوب اکنون
258
00:11:09,790 –> 00:11:12,530
آنچه که تجزیه و تحلیل داده ها است،
259
00:11:12,530 –> 00:11:16,040
فرآیند بررسی تبدیل و تنظیم
260
00:11:16,040 –> 00:11:18,830
داده های خام به روشی خاص برای تولید
261
00:11:18,830 –> 00:11:22,430
اطلاعات مفید مفید از آن است، بنابراین
262
00:11:22,430 –> 00:11:24,920
تجزیه و تحلیل داده ها اجازه می دهد تا
263
00:11:24,920 –> 00:11:27,560
ارزیابی داده ها از طریق استدلال تحلیلی و
264
00:11:27,560 –> 00:11:29,720
منطقی به نوعی منجر به
265
00:11:29,720 –> 00:11:32,180
نتیجه ما می شود نتیجه گیری در
266
00:11:32,180 –> 00:11:35,390
برخی زمینه ها تجزیه و تحلیل داده ها یک
267
00:11:35,390 –> 00:11:38,360
فرآیند چند وجهی است که شامل
268
00:11:38,360 –> 00:11:40,670
چندین رویکرد مراحل و
269
00:11:40,670 –> 00:11:42,830
تکنیک های متنوعی است که در سخنرانی آینده خواهیم دید،
270
00:11:42,830 –> 00:11:45,800
بنابراین اکنون خواهیم دید که
271
00:11:45,800 –> 00:11:48,470
تجزیه و تحلیل چیست، تجزیه و تحلیل داده ها و تجزیه و تحلیل داده ها
272
00:11:48,470 –> 00:11:51,590
وقتی می گویید تجزیه و تحلیل زمانی که شما می گویید تجزیه و تحلیل چیست.
273
00:11:51,590 –> 00:11:53,690
تحلیل دادهها
274
00:11:53,690 –> 00:11:56,000
چیزی است که در گذشته اتفاق افتاده است، بنابراین
275
00:11:56,000 –> 00:11:58,910
توضیح میدهیم که چرا این اتفاق افتاده است،
276
00:11:58,910 –> 00:12:02,000
توضیح میدهیم که چگونه اتفاق افتاده است، بله، میتوانیم
277
00:12:02,000 –> 00:12:04,250
توضیح دهیم که چرا این اتفاق افتاده است، به عنوان مثال
278
00:12:04,250 –> 00:12:06,770
وقتی میگوییم تجزیه و تحلیل دادهها
279
00:12:06,770 –> 00:12:09,320
چیزی در مورد مطالعه در مورد چیزی نیست.
280
00:12:09,320 –> 00:12:10,550
اتفاق افتاده است، مانند یک
281
00:12:10,550 –> 00:12:12,230
تحلیل پس از مرگ است که در گذشته اتفاق افتاده است
282
00:12:12,230 –> 00:12:14,170
،
283
00:12:14,170 –> 00:12:17,090
درست برعکس، تجزیه و تحلیل در
284
00:12:17,090 –> 00:12:19,310
مورد آنچه در آینده اتفاق می افتد مطالعه می
285
00:12:19,310 –> 00:12:21,710
کند و با کمک تجزیه و تحلیل
286
00:12:21,710 –> 00:12:24,440
می توانیم رویدادهای احتمالی احتمالی آینده را پیش بینی کنیم،
287
00:12:24,440 –> 00:12:25,490
288
00:12:25,490 –> 00:12:30,250
بنابراین تجزیه و تحلیل شاید کیفی یا
289
00:12:30,250 –> 00:12:33,560
کمی باشد، مثلاً در تجزیه و تحلیل، اگر
290
00:12:33,560 –> 00:12:36,680
بگوییم تحلیل کیفی،
291
00:12:36,680 –> 00:12:38,810
بنابراین تصمیم بیشتر بر اساس
292
00:12:38,810 –> 00:12:41,030
شهود است، اما اگر بگویید از نظر کمی
293
00:12:41,030 –> 00:12:43,190
که با کمک فرمول ها با
294
00:12:43,190 –> 00:12:44,900
کمک الگوریتم ها
295
00:12:44,900 –> 00:12:48,710
تصمیم گیری می شود بنابراین در تجزیه و تحلیل داده ها
296
00:12:48,710 –> 00:12:50,980
نیز می توانیم به سمت کیفی
297
00:12:50,980 –> 00:12:54,980
برویم، می توانیم توضیح دهیم که چگونه و چرا یک داستان به این شکل به پایان می
298
00:12:54,980 –> 00:12:59,360
رسد وقتی که می گوییم
299
00:12:59,360 –> 00:13:03,530
کمی می توانیم بگویید چگونه فروش
300
00:13:03,530 –> 00:13:05,720
تابستان گذشته کاهش یافته است، بگویید وقتی می گویم
301
00:13:05,720 –> 00:13:07,880
همانطور که شما در حال تکرار هستید و می گویید
302
00:13:07,880 –> 00:13:11,150
تجزیه و تحلیل چیزی است که در مورد
303
00:13:11,150 –> 00:13:17,839
آنچه در سریع ترین زمان اتفاق افتاده است مطالعه کنید،
304
00:13:17,839 –> 00:13:20,060
بنابراین دقیقاً آنالیز برابر با تجزیه و تحلیل نیست، به
305
00:13:20,060 –> 00:13:23,150
طور مشابه وقتی می گویید
306
00:13:23,150 –> 00:13:25,370
تجزیه و تحلیل داده ها تجزیه و تحلیل داده های متفاوت است.
307
00:13:25,370 –> 00:13:25,940
متفاوت است
308
00:13:25,940 –> 00:13:27,770
به طور مشابه تحلیلگر کسب و کار تحلیل تجاری متفاوت است
309
00:13:27,770 –> 00:13:29,390
وقتی می گویند
310
00:13:29,390 –> 00:13:31,610
تجزیه و تحلیل چیزی نیست جز مطالعه
311
00:13:31,610 –> 00:13:34,100
وقایع آینده با کمک
312
00:13:34,100 –> 00:13:36,260
داده های گذشته در ادامه به سراغ
313
00:13:36,260 –> 00:13:39,020
طبقه بندی تجزیه و تحلیل داده ها بر
314
00:13:39,020 –> 00:13:41,570
اساس صورت گردش کار و نوع
315
00:13:41,570 –> 00:13:43,250
تحلیل مورد نیاز می رویم.
316
00:13:43,250 –> 00:13:45,560
چهار نوع عمده از تجزیه و تحلیل داده ها، یکی تجزیه و
317
00:13:45,560 –> 00:13:48,560
تحلیل توصیفی است.
318
00:13:48,560 –> 00:13:51,370
319
00:13:51,370 –> 00:13:55,030
320
00:13:55,030 –> 00:13:57,740
321
00:13:57,740 –> 00:14:00,440
اگر به
322
00:14:00,440 –> 00:14:03,890
سختی و نوع ارزشی که
323
00:14:03,890 –> 00:14:05,660
میتوانیم از انواع مختلف تجزیه و تحلیل به دست آوریم، این چهار نوع تجزیه و تحلیل را به تفصیل در کلاسهای آینده بررسی کنیم،
324
00:14:05,660 –> 00:14:06,460
325
00:14:06,460 –> 00:14:09,470
این تصویر نشان میدهد به عنوان مثال وقتی
326
00:14:09,470 –> 00:14:12,080
تجزیه و تحلیل توصیفی را مشاهده میکنید که
327
00:14:12,080 –> 00:14:16,070
به آنچه اتفاق افتاده پاسخ میدهد،
328
00:14:16,070 –> 00:14:18,740
تجزیه و تحلیل تشخیصی کمک خواهد کرد. شما برای پاسخ دادن به اینکه چرا
329
00:14:18,740 –> 00:14:22,100
این اتفاق افتاده است، تجزیه و تحلیل پیش بینی به شما کمک می کند
330
00:14:22,100 –> 00:14:25,340
که چه اتفاقی خواهد افتاد.
331
00:14:25,340 –> 00:14:27,830
332
00:14:27,830 –> 00:14:30,890
333
00:14:30,890 –> 00:14:32,420
334
00:14:32,420 –> 00:14:34,760
335
00:14:34,760 –> 00:14:36,170
دشواری
336
00:14:36,170 –> 00:14:39,710
بسیار کمتر است و برعکس وقتی
337
00:14:39,710 –> 00:14:42,620
به تجزیه و تحلیل تجویزی نگاه میکنید،
338
00:14:42,620 –> 00:14:44,780
سطح دشواری بیشتر است و
339
00:14:44,780 –> 00:14:47,600
ارزش نیز به معنای ارزش تجاری است
340
00:14:47,600 –> 00:14:51,380
که به شما بیشتر میافزاید، بنابراین
341
00:14:51,380 –> 00:14:53,690
وقتی سختی بیشتر باشد،
342
00:14:53,690 –> 00:14:57,080
ارزش بیشتری وجود دارد، خب سپس گوش می دهیم
343
00:14:57,080 –> 00:14:59,839
تجزیه و تحلیل توصیفی
344
00:14:59,839 –> 00:15:01,640
چیست تحلیل توصیفی شکل تبدیل
345
00:15:01,640 –> 00:15:04,330
هوش تجاری یا تجزیه و تحلیل داده است
346
00:15:04,330 –> 00:15:08,200
که به دنبال آن است. برای ارائه تصویر یا
347
00:15:08,200 –> 00:15:13,640
نمای خلاصه از حقایق و ارقام در
348
00:15:13,640 –> 00:15:18,350
قالبی قابل فهم، این
349
00:15:18,350 –> 00:15:22,010
یا اطلاعات را برای تجزیه و تحلیل بیشتر آماده می کند، بنابراین
350
00:15:22,010 –> 00:15:24,680
تجزیه و تحلیل توصیفی یا می توان گفت
351
00:15:24,680 –> 00:15:27,320
روش دیگری در آمار می تواند
352
00:15:27,320 –> 00:15:30,470
داده های خام را خلاصه کرده و به شکل شما تبدیل کند
353
00:15:30,470 –> 00:15:34,030
که به راحتی قابل درک باشد. توسط
354
00:15:34,030 –> 00:15:36,680
انسانها میتوانند به تفصیل دربارهی
355
00:15:36,680 –> 00:15:40,580
حتی اتفاقی که در گذشته رخ داده است توضیح دهند،
356
00:15:40,580 –> 00:15:43,430
البته برخی از نمونههای
357
00:15:43,430 –> 00:15:46,070
تجزیه و تحلیل توصیفی نمونهای رایج از
358
00:15:46,070 –> 00:15:47,900
تجزیه و تحلیل توصیفی است که شرکت ما
359
00:15:47,900 –> 00:15:50,960
گزارش میدهد که به سادگی مروری تاریخی را
360
00:15:50,960 –> 00:15:54,790
ارائه میکند، مانند پرسوجوهای داده، گزارش
361
00:15:54,790 –> 00:15:56,990
دادهها، راهحل دادههای آمار توصیفی
362
00:15:56,990 –> 00:16:01,910
و داشبورد داده بسیار خوب،
363
00:16:01,910 –> 00:16:03,529
بعدی به بخش
364
00:16:03,529 –> 00:16:06,529
تجزیه و تحلیل
365
00:16:06,529 –> 00:16:09,230
366
00:16:09,230 –> 00:16:12,350
367
00:16:12,350 –> 00:16:15,130
368
00:16:15,130 –> 00:16:18,380
369
00:16:18,380 –> 00:16:21,020
تشخیصی می رود. برای درک
370
00:16:21,020 –> 00:16:24,230
اینکه چرا این اتفاق افتاده است، بنابراین آن نوع
371
00:16:24,230 –> 00:16:26,450
تجزیه و تحلیل چیزی جز تشخیص نیست
372
00:16:26,450 –> 00:16:28,700
تجزیه و تحلیل بنابراین ابزارهای تحلیلی تشخیصی
373
00:16:28,700 –> 00:16:31,640
کمک می کنند و تحلیلگر به کاوش عمیق تر در
374
00:16:31,640 –> 00:16:34,399
یک موضوع کمک می کند تا بتوانند به
375
00:16:34,399 –> 00:16:37,040
منبع مشکل برسند، بنابراین پزشک همچنین
376
00:16:37,040 –> 00:16:39,110
شما را تشخیص می دهد که فردی به
377
00:16:39,110 –> 00:16:41,120
بیماری مبتلا شده است، به
378
00:16:41,120 –> 00:16:41,529
379
00:16:41,529 –> 00:16:44,089
طور مشابه تجزیه و تحلیل های تشخیصی نیز
380
00:16:44,089 –> 00:16:45,920
اگر اتفاقی افتاده است، به عنوان
381
00:16:45,920 –> 00:16:48,500
مثال، شرکت خوب عمل نمی کند که
382
00:16:48,500 –> 00:16:50,600
توانایی های تشخیصی به شما کمک می کند تا
383
00:16:50,600 –> 00:16:52,790
تشخیص دهید که دلیل اصلی
384
00:16:52,790